KR102355816B1 - A system and method for identifying abnormal conditions of a film sensor based on a artificial intelligence - Google Patents
A system and method for identifying abnormal conditions of a film sensor based on a artificial intelligence Download PDFInfo
- Publication number
- KR102355816B1 KR102355816B1 KR1020200092998A KR20200092998A KR102355816B1 KR 102355816 B1 KR102355816 B1 KR 102355816B1 KR 1020200092998 A KR1020200092998 A KR 1020200092998A KR 20200092998 A KR20200092998 A KR 20200092998A KR 102355816 B1 KR102355816 B1 KR 102355816B1
- Authority
- KR
- South Korea
- Prior art keywords
- film
- sensor
- type
- abnormal state
- type sensor
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/1613—Constructional details or arrangements for portable computers
- G06F1/163—Wearable computers, e.g. on a belt
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
아래의 설명은 센서의 이상상태를 식별하는 기술에 관한 것이다. The description below relates to a technique for identifying abnormal states of a sensor.
웨어러블 디바이스란 신체에 부착하여 컴퓨팅 행위를 할 수 있는 모든 전자기기를 지칭하며, 사용자가 이동 또는 활동 중에도 자유롭게 사용할 수 있도록 신체나 의복에 착용 가능하도록 개발된 차세대 전자기기를 의미한다. 웨어러블 디바이스는 1960년대 시계와 신발에 계산기나 카메라를 부착하는 단순 장착 형태의 연구가 시초이며 1980년대부터 프로토 타입의 등장으로 입출력장치와 컴퓨팅 기능이 도입되어 주로 군사용이나 학술연구용으로 기술 개발이 진행되었다. 1990년대 이후부터 디바이스의 경량화 및 소형화로 산업에 적용이 가능해졌고, 2000년도에 들어와 발열 문제, 배터리 성능, 단말기 소형화 등이 발전하였다. 2010년대에는 스마트 폰과 태블릿PC 등 스마트 기기의 발전뿐만 아니라 무선통신 인프라의 구축과 배터리 용량 등 기술적 한계들이 극복되면서 일상생활에서도 사용이 가능한 수준에 이르렀다. 최근 자체적으로 네트워크 접속이 가능해졌으며 스마트 폰 이외 장비와의 확장성이 강화된 제품들이 빠르게 출시되고 있다.A wearable device refers to any electronic device that can be attached to the body to perform a computing action, and refers to a next-generation electronic device developed to be worn on the body or clothes so that a user can freely use it while moving or active. Wearable device research began in the 1960s as a simple mounting type of attaching a calculator or camera to watches and shoes, and with the advent of prototypes from the 1980s, input/output devices and computing functions were introduced. . Since the 1990s, it has become possible to apply to industries due to the reduction in weight and size of devices, and in the year 2000, problems such as heat generation, battery performance, and miniaturization of terminals have developed. In the 2010s, technological limitations such as the development of smart devices such as smartphones and tablet PCs, as well as the construction of wireless communication infrastructure and battery capacity, were overcome, reaching a level that could be used in daily life. Recently, network access has been made possible on its own, and products with enhanced scalability with devices other than smart phones are rapidly being launched.
웨어러블 디바이스의 사용이 증가함에 따라 다양한 결함이 발생하고 있으며 이 중 센서의 고장이 상대적으로 높은 비중을 차지하고 있다. 대표적으로 의공학, 웨어러블 디바이스 및 로봇 등과 같이 다양한 분야에 적용되고 있는 필름형 센서는 두께가 얇고 내구성이 약하기 때문에 손상되기 쉬우며, 이는 계측의 낮은 신뢰성 문제를 유발한다. As the use of wearable devices increases, various defects occur, and among them, sensor failure accounts for a relatively high proportion. Film-type sensors, which are typically applied to various fields such as biomedical engineering, wearable devices, and robots, are easily damaged because of their thin thickness and low durability, which causes low reliability of measurement.
종래에는 결함이 존재하는 센서로부터 출력되는 신호들을 다양한 신호분석법 및 통계적 기법을 적용하여 센서의 고장을 진단하고 그 유형을 분류하였다. 하지만 필름형 센서는 부착 대상의 근무 및 생활환경에 따라 다양한 환경과 잠재적인 고장 위협 상황에 노출되어 있다. 이러한 환경과 위협은 센서의 이상상태 유발에 직접적인 영향을 미치게 되며 종래의 센서 고장 진단 및 고장 유형 분류 기술에서는 센서의 이상상태 유형과 고장 유형 간의 인과성을 찾지 못하였다. Conventionally, various signal analysis methods and statistical techniques are applied to signals output from a sensor having a defect to diagnose a sensor failure and classify the types. However, the film-type sensor is exposed to various environments and potential failure threats depending on the working and living environment of the attachment target. These environments and threats directly affect the induction of sensor abnormalities, and the conventional sensor failure diagnosis and failure type classification technology did not find a causal relationship between the sensor abnormality type and failure type.
필름형 센서의 작동 환경에서의 센서 이상상태는 주파수 영역과 시간 영역에 대해 변형된 다양한 유형으로 이상신호를 출력한다. 이에 따라 센서의 이상상태로 인한 오작동을 방지하기 위해 센서의 이상상태와 이상신호의 연관성을 밝히는 것이 필수적이다. The sensor abnormal state in the operating environment of the film-type sensor outputs abnormal signals in various types modified with respect to the frequency domain and the time domain. Accordingly, in order to prevent a malfunction due to the abnormal state of the sensor, it is essential to reveal the correlation between the abnormal state of the sensor and the abnormal signal.
한편, 다양한 기계학습 알고리즘 중 순환신경망은 인공신경망의 한 종류로 순환적인 연결구조를 가지고 있으며 동적 특징을 모델링 할 수 있도록 신경망 내부 상태를 저장할 수 있는 기능을 가지고 있다. 이를 이용한 인공신경망은 문자, 음성, 시계열의 분류와 회귀 분석에 뛰어난 성능을 보이며, 특히 순환신경망의 일종인 쌍방향 장단기 네트워크(Bi-Long Short Term Memory Network)를 이용한 딥러닝은 이미지 인식, 기계 번역 등 복잡한 신호분석에 사용되고 있다. 이에 따라, 기계학습 알고리즘을 이용하여 센서를 통해 계측되는 신호를 기반으로 보다 정확하게 센서의 이상상태 유형을 파악하고, 교체 필요 여부를 식별하기 위한 기술이 제안될 필요가 있다. On the other hand, among various machine learning algorithms, a cyclic neural network is a type of artificial neural network and has a cyclical connection structure and has a function to store the internal state of the neural network to model dynamic features. The artificial neural network using this shows excellent performance in classification and regression analysis of text, voice, and time series. It is used for complex signal analysis. Accordingly, there is a need to propose a technique for using a machine learning algorithm to more accurately identify an abnormal state type of a sensor based on a signal measured through the sensor and to identify whether replacement is necessary.
인공지능 기반 필름형 센서의 이상상태를 식별하는 시스템 및 방법을 제공할 수 있다. It is possible to provide a system and method for identifying an abnormal state of an AI-based film-type sensor.
순환신경망 기반의 식별 모델을 이용하여 필름형 센서로부터 출력되는 이상 신호를 기반으로 필름형 센서의 이상상태 유형을 식별하고, 식별된 필름형 센서의 이상상태 유형에 따라 필름형 센서의 손상 및 교체 여부를 예측하는 시스템 및 방법을 제공할 수 있다. Identifies the abnormal state type of the film-type sensor based on the abnormal signal output from the film-type sensor using a recurrent neural network-based identification model, and whether the film-type sensor is damaged or replaced according to the identified abnormal state type of the film-type sensor It is possible to provide a system and method for predicting
센서의 이상상태 식별 방법은, 센서에 의해 측정된 신호 정보를 수집하는 단계; 상기 수집된 신호 정보를 이용하여 센서의 이상상태 유형을 학습하기 위한 식별 모델을 학습시키는 단계; 상기 학습된 식별 모델에 센서의 이상상태를 식별하기 위한 센서 신호를 입력하는 단계; 및 상기 학습된 식별 모델을 이용하여 상기 입력된 센서 신호로부터 센서의 이상상태 유형을 식별하는 단계를 포함할 수 있다. A method for identifying an abnormal state of a sensor includes: collecting signal information measured by a sensor; training an identification model for learning an abnormal state type of a sensor using the collected signal information; inputting a sensor signal for identifying an abnormal state of a sensor to the learned identification model; and identifying an abnormal state type of the sensor from the input sensor signal using the learned identification model.
상기 수집하는 단계는, 필름형 센서에 발생시킨 일정한 충격을 통해 신호 정보를 수집하고, 상기 수집된 신호 정보에 대한 영점 조정, 추세 제거를 포함하는 전처리 작업을 수행하는 단계를 포함하고, 상기 학습하는 단계는, 상기 전처리 작업이 수행된 신호 정보를 상기 식별 모델에 입력하는 단계를 포함할 수 있다. The collecting step includes collecting signal information through a constant shock generated by a film-type sensor, and performing a pre-processing operation including zero adjustment and trend removal for the collected signal information, The step may include inputting signal information on which the pre-processing operation has been performed into the identification model.
상기 학습시키는 단계는, 필름형 센서의 이상상태 유형을 식별하기 위한 순환신경망(RNN) 기반의 식별 모델을 구성하고, 상기 수집된 신호 정보를 이용하여 상기 구성된 식별 모델을 학습시킴에 따라 필름형 센서의 이상상태의 유형을 획득하는 단계를 포함할 수 있다. In the learning step, a recurrent neural network (RNN)-based identification model for identifying an abnormal state type of the film-type sensor is configured, and the configured identification model is trained using the collected signal information, so that the film-type sensor may include acquiring the type of the abnormal state of .
상기 식별하는 단계는, 상기 학습된 식별 모델을 이용하여 상기 입력된 센서 신호로부터 센서의 이상상태 유형을 식별하고, 상기 식별된 센서의 이상상태 유형에 기초하여 센서의 교체 필요 여부를 결정하는 단계를 포함할 수 있다. The identifying may include identifying an abnormal state type of a sensor from the input sensor signal using the learned identification model, and determining whether replacement of the sensor is required based on the identified abnormal state type of the sensor. may include
상기 식별하는 단계는, 상기 입력된 센서 신호로부터 필름형 센서의 정상 상태, 필름형 센서의 찢어짐 상태, 필름형 센서의 폭방향 절단 상태, 필름형 센서의 이물질 상태, 필름형 센서의 노치 상태, 필름형 센서의 완전파손 상태를 포함하는 필름형 센서의 이상상태 정보를 분류하는 단계를 포함할 수 있다. The identifying step is, from the input sensor signal, the normal state of the film-type sensor, the tear state of the film-type sensor, the width direction cut state of the film-type sensor, the foreign material state of the film-type sensor, the notch state of the film-type sensor, the film It may include classifying the abnormal state information of the film-type sensor including the complete damage state of the type sensor.
센서의 이상상태를 식별하기 위한 이상상태 식별 시스템은, 센서에 의해 측정된 신호 정보를 수집하는 신호 수집부; 상기 수집된 신호 정보를 이용하여 센서의 이상상태 유형을 학습하기 위한 식별 모델을 학습시키는 모델 학습부; 상기 학습된 식별 모델에 센서의 이상상태를 식별하기 위한 센서 신호를 입력하는 신호 입력부; 및 상기 학습된 식별 모델을 이용하여 상기 입력된 센서 신호로부터 센서의 이상상태 유형을 식별하는 센서 유형 식별부를 포함할 수 있다.An abnormal state identification system for identifying an abnormal state of a sensor includes: a signal collecting unit for collecting signal information measured by the sensor; a model learning unit for learning an identification model for learning an abnormal state type of a sensor using the collected signal information; a signal input unit for inputting a sensor signal for identifying an abnormal state of a sensor to the learned identification model; and a sensor type identification unit for identifying an abnormal state type of a sensor from the input sensor signal using the learned identification model.
웨어러블 장비의 결함 발생시 결함 원인을 진단하는 과정에서 장비의 구성품 중 주요 부품인 필름형 센서의 이상상태 유형 식별 및 교체 필요 여부를 신속하게 파악할 수 있어 진단 과정에서 소비되는 시간 및 비용을 절감시킬 수 있다. In the process of diagnosing the cause of a defect in wearable equipment, it is possible to quickly identify the type of abnormal state of the film-type sensor, which is a major component of the equipment, and whether or not to replace it, thereby reducing the time and cost of the diagnosis process. .
필름형 센서에서 발생 가능한 센서 이상상태에 따른 유형별 신호를 수집한 후 인공신경망 종류 중 순환신경망(RNN, Recurrent Neural Network) 기반으로 센서의 이상상태 유형에 관한 정보를 제공함으로써 웨어러블 디바이스의 무수한 고장 유형 중 센서의 이상상태 유형 식별을 통해 센서 부착 위치 변경, 수리 및 교체 등 이상상태 유형별에 따라 대응을 할 수 있어 경제적, 시간적 비용을 절감시킬 수 있다. Among the countless types of failures of wearable devices, by collecting signals by type according to sensor abnormalities that can occur in film-type sensors, and providing information on the types of abnormal states of sensors based on Recurrent Neural Network (RNN) among the types of artificial neural networks. By identifying the abnormal state type of the sensor, it is possible to respond according to the abnormal state type, such as changing the sensor attachment location, repairing, and replacing, thereby reducing economic and time costs.
도 1은 일 실시예에 따른 이상상태 식별 시스템의 구성을 설명하기 위한 블록도이다.
도 2는 일 실시예에 따른 이상상태 식별 시스템에서 센서의 이상상태를 식별하는 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 이상상태 식별 시스템에서 이상상태의 유형을 분류하는 것을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 이상상태 식별 시스템에서 센서 신호를 수집하는 것을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 이상상태 식별 시스템에서 순환신경망 기반의 식별 모델을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 이상상태 식별 시스템에서 순환신경망 기반의 식별 모델을 이용하여 센서의 이상상태 유형을 식별한 결과를 나타낸 그래프이다.1 is a block diagram for explaining the configuration of an abnormal state identification system according to an embodiment.
2 is a flowchart illustrating a method of identifying an abnormal state of a sensor in an abnormal state identification system according to an embodiment.
3 is a diagram for explaining classification of abnormal state types in the abnormal state identification system according to an embodiment.
4 is a view for explaining collecting a sensor signal in the abnormal state identification system according to an embodiment.
5 is a diagram for explaining a cyclic neural network-based identification model in an abnormal state identification system according to an embodiment.
6 is a graph showing a result of identifying an abnormal state type of a sensor using a cyclic neural network-based identification model in an abnormal state identification system according to an embodiment.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings.
도 1은 일 실시예에 따른 이상상태 식별 시스템의 구성을 설명하기 위한 블록도이고, 도 2는 일 실시예에 따른 이상상태 식별 시스템에서 센서의 이상상태를 식별하는 방법을 설명하기 위한 흐름도이다. 1 is a block diagram illustrating a configuration of an abnormal state identification system according to an embodiment, and FIG. 2 is a flowchart illustrating a method of identifying an abnormal state of a sensor in an abnormal state identification system according to an embodiment.
이상상태 식별 시스템(100)의 프로세서는 신호 수집부(110), 모델 학습부(120), 신호 입력부(130) 및 센서 유형 식별부(140)를 포함할 수 있다. 이러한 프로세서의 구성요소들은 이상상태 식별 시스템에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 2의 센서의 이상상태를 식별하는 방법이 포함하는 단계들(210 내지 240)을 수행하도록 이상상태 식별 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.The processor of the abnormal
프로세서는 센서의 이상상태를 식별하는 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 이상상태 식별 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 이상상태 식별 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서가 포함하는 신호 수집부(110), 모델 학습부(120), 신호 입력부(130) 및 센서 유형 식별부(140) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(210 내지 240)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다. The processor may load the program code stored in the file of the program for the method of identifying the abnormal state of the sensor into the memory. For example, when the program is executed in the abnormal state identification system, the processor may control the abnormal state identification system to load the program code from the program file into the memory according to the control of the operating system. At this time, each of the processor and the
단계(210)에서 신호 수집부(110)는 센서에 의해 측정된 신호 정보를 수집할 수 있다. 신호 수집부(110)는 필름형 센서에 발생시킨 일정한 충격을 통해 신호 정보를 수집하고, 수집된 신호 정보에 대한 영점 조정, 추세 제거를 포함하는 전처리 작업을 수행할 수 있다. In
단계(220)에서 모델 학습부(120)는 수집된 신호 정보를 이용하여 센서의 이상상태 유형을 학습하기 위한 식별 모델을 학습시킬 수 있다. 모델 학습부(120)는 전처리 작업이 수행된 신호 정보를 식별 모델에 입력할 수 있다. 모델 학습부(120)는 필름형 센서의 이상상태 유형을 식별하기 위한 순환신경망(RNN) 기반의 식별 모델을 구성하고, 수집된 신호 정보를 이용하여 구성된 식별 모델을 학습시킴에 따라 필름형 센서의 이상상태의 유형을 획득할 수 있다. In
단계(230)에서 신호 입력부(130)는 학습된 식별 모델에 센서의 이상상태를 식별하기 위한 센서 신호를 입력할 수 있다. In
단계(240)에서 센서 유형 식별부(140)는 학습된 식별 모델을 이용하여 입력된 센서 신호로부터 센서의 이상상태 유형을 식별할 수 있다. 센서 유형 식별부(140)는 학습된 식별 모델을 이용하여 입력된 센서 신호로부터 센서의 이상상태 유형을 식별하고, 식별된 센서의 이상상태 유형에 기초하여 센서의 교체 필요 여부를 결정할 수 있다. 센서 유형 식별부(140)는 입력된 센서 신호로부터 필름형 센서의 정상 상태, 필름형 센서의 찢어짐 상태, 필름형 센서의 폭방향 절단 상태, 필름형 센서의 이물질 상태, 필름형 센서의 노치 상태, 필름형 센서의 완전파손 상태를 포함하는 필름형 센서의 이상상태 정보를 분류할 수 있다. 센서 유형 식별부(140)는 입력된 센서 신호의 유형에 따라 정상 상태, 수리 가능 상태 또는 완전파손 상태를 포함하는 센서의 교체 필요 여부를 결정할 수 있다. In
도 3은 일 실시예에 따른 이상상태 식별 시스템에서 이상상태의 유형을 분류하는 것을 설명하기 위한 도면이다. 3 is a diagram for explaining classification of abnormal state types in the abnormal state identification system according to an embodiment.
이상상태 식별 시스템은 정상 상태 및 이상상태의 센서에서 출력된 신호 정보에 대한 전처리 작업을 수행할 수 있다. 이때, 신호 정보에 대한 영점 조정, 추세 제거를 포함하는 전처리 작업이 수행될 수 있다. 예를 들면, 신호 정보에 대한 영점을 조정한 후 19차 다항식을 적용하여 추세를 제거하는 전처리 작업이 수행될 수 있다. 이상상태 식별 시스템은 전처리 작업이 수행된 신호 정보를 이상상태 유형 식별을 위한 순환신경망 기반의 식별 모델을 통해 센서의 이상상태 유형을 식별할 수 있다. 이상상태 식별 시스템은 센서의 이상상태 유형을 식별하기 위한 순환신경망 기반의 식별 모델을 구성하고, 수집된 신호 정보를 이용하여 구성된 식별 모델을 학습시킴에 따라 센서의 이상상태의 유형을 획득할 수 있다. 예를 들면, 정상 센서의 정상 상태와 다양한 환경에서 나타날 수 있는 찢어짐, 폭방향 절단, 이물질, 노치 및 완전파손을 포함하는 5가지를 센서의 이상상태 유형으로 분류될 수 있다. 이외에도, 센서마다 각 센서에 따라 발생할 수 있는 이상상태의 유형이 추가되거나 변경될 수도 있다. 실시예에서 필름형 센서 중 PVDF(Polyvinylidene Flouride)를 예를 들어 설명하기로 한다.The abnormal state identification system may perform a pre-processing operation on signal information output from the sensor in a normal state and an abnormal state. In this case, a pre-processing operation including zero adjustment and trend removal for signal information may be performed. For example, after adjusting the zero point for signal information, a preprocessing operation of removing a trend by applying a 19th-order polynomial may be performed. The abnormal state identification system can identify the abnormal state type of the sensor through a cyclic neural network-based identification model for identifying the abnormal state type of the signal information on which the preprocessing has been performed. The abnormal state identification system constructs a cyclic neural network-based identification model to identify the abnormal state type of the sensor, and learns the constructed identification model using the collected signal information to obtain the sensor abnormal state type. . For example, the normal state of the sensor and five types of abnormal state of the sensor including tearing, cutting in the width direction, foreign material, notch, and complete breakage that may appear in various environments can be classified as types of abnormal state of the sensor. In addition, the type of abnormal state that may occur according to each sensor may be added or changed for each sensor. In the embodiment, PVDF (Polyvinylidene Fluoride) among the film-type sensors will be described as an example.
신호 정보가 순환신경망 기반의 식별 모델에 입력될 수 있다. 이상상태 식별 시스템을 식별 모델을 이용하여 신호 정보로부터 필름형 센서의 정상 상태, 필름형 센서의 찢어짐 상태, 필름형 센서의 폭방향 절단 상태, 필름형 센서의 이물질 상태, 필름형 센서의 노치 상태, 필름형 센서의 완전파손 상태를 포함하는 이상상태 정보를 분류할 수 있다. 예를 들면, 신호 정보가 뜨지 않을 경우, 완전파손 상태로 판단할 수 있고, 접촉불량일 경우, 이물질이 포함된 상태로 판단할 수 있다.Signal information may be input to a cyclic neural network-based identification model. Using the identification model of the abnormal state identification system, the normal state of the film-type sensor, the tearing state of the film-type sensor, the cutting state of the film-type sensor in the width direction, the foreign material state of the film-type sensor, the notch state of the film-type sensor, It is possible to classify abnormal state information including the complete breakage state of the film-type sensor. For example, when the signal information does not appear, it can be determined that the state is completely damaged, and when the contact is poor, it can be determined that the foreign material is included.
도 4를 참고하면, 센서 신호를 수집하는 것을 설명하기 위한 도면이다. 필름형 센서의 이상상태 유형을 식별하기 위하여 PVDF 센서를 폴리카보네이트 플레이트에 부착시킬 수 있다. 이때, 정상 상태의 PVDF 센서 및 이상상태의 PVDF를 폴리카보네이트 플레이트에 각각 부착시킨 후, 모터와 충격자를 통해 플레이트에 일정한 진동 신호를 발생시켜 각각의 센서로부터 이상 신호가 수집될 수 있다. Referring to FIG. 4 , it is a diagram for explaining collecting a sensor signal. A PVDF sensor can be attached to a polycarbonate plate to identify the type of anomaly of the film-type sensor. At this time, after attaching the PVDF sensor in the normal state and the PVDF in the abnormal state to the polycarbonate plate, respectively, a constant vibration signal is generated on the plate through a motor and an impactor, and an abnormal signal can be collected from each sensor.
도 5는 일 실시예에 따른 이상상태 식별 시스템에서 순환신경망 기반의 식별 모델을 설명하기 위한 도면이다. 5 is a diagram for explaining a cyclic neural network-based identification model in an abnormal state identification system according to an embodiment.
이상상태 식별 시스템은 센서의 이상상태 유형을 식별하기 위한 인공신경망 기반의 식별 모델을 구성할 수 있다. 실시예에서는 순환신경망 기반의 식별 모델을 이용하는 것을 예를 들어 설명하기로 한다. 일반적인 인공신경망은 입력 데이터를 1차원 배열로 인식한다. 이로 인해 이미지 인식이나 시계열 분석 등의 작업에서 데이터의 형상과 위치 정보가 무시된다는 어려움이 있다. 이에 반해, 순환신경망은 이러한 어려움을 극복하기 위해 고안된 알고리즘으로 계층과 계층의 노드들을 연결하는 것이 아니라 같은 계층이지만 다른 시간대에 존재하는 노드들을 순환하며 연결하는 구조를 가지고 있다. 단순한 순환신경망은 정보와 그 정보를 사용하는 지점 사이 거리가 멀 경우 역전파 시 그래디언트가 줄어 학습 능력이 저하되는 문제를 가지고 있다. 장단기 기억 네트워크는 이와 같은 문제점을 보완한 순환 신경망의 일종으로 순환신경망의 일반적인 구조에 remembering gate 와 forget gate를 추가한 형태이다. 두 게이트는 long-term dependency를 학습하는 역할을 한다. long-term dependency를 통하여 시계열의 데이터의 형상과 위치 정보를 파악할 수 있다. 이에 따라 순환신경망을 통해 센서의 이상상태 식별하기에 적합하다. 이상상태 식별 시스템은 센서의 이상상태 유형을 식별하기 위한 순환신경망(RNN) 기반의 식별 모델을 구성할 수 있다. The abnormal state identification system may configure an artificial neural network-based identification model for identifying the abnormal state type of a sensor. In the embodiment, the use of a cyclic neural network-based identification model will be described as an example. A general artificial neural network recognizes input data as a one-dimensional array. Due to this, there is a difficulty in that data shape and location information are ignored in tasks such as image recognition or time series analysis. On the other hand, the recurrent neural network is an algorithm designed to overcome this difficulty, and it does not connect the nodes of the layer to the layer, but has a structure in which nodes in the same layer but at different times are cycled and connected. A simple recurrent neural network has a problem in that, when the distance between information and the point where the information is used is long, the gradient decreases during backpropagation, which lowers the learning ability. The short-term memory network is a type of recurrent neural network that compensates for such problems, and is a form in which a remembering gate and a forget gate are added to the general structure of the recurrent neural network. Both gates are responsible for learning long-term dependencies. Through long-term dependency, shape and location information of time series data can be identified. Accordingly, it is suitable for identifying abnormal state of a sensor through a cyclic neural network. The abnormal state identification system may configure a recurrent neural network (RNN)-based identification model for identifying an abnormal state type of a sensor.
이상상태 식별 시스템은 식별 모델에 다양한 시계열의 분류와 회귀 분석을 수행하는데 뛰어난 성능을 갖는 순환신경망을 적용할 수 있다. 학습에 사용된 파라미터는 표 1에 표기하였다.The anomaly identification system can apply a recurrent neural network with excellent performance in performing classification and regression analysis of various time series in the identification model. The parameters used for learning are shown in Table 1.
표 1:Table 1:
예를 들면, 순환신경망 기반의 식별 모델에 설계된 네트워크는 61 배열 크기를 입력 크기로 갖는 수열 입력 계층, 쌍방향 장단기 기억 네트워크 계층, 100개의 노드로 구성된 완전 연결 계층, 소프트 맥스 계층과 출력 계층으로 구성할 수 있다. For example, a network designed in a recurrent neural network-based identification model can be composed of a sequence input layer with an input size of 61 arrays, a bidirectional long-short-term memory network layer, a fully connected layer consisting of 100 nodes, a soft max layer, and an output layer. can
도 5를 참고하면, Remembering gate와 forget gate의 작동 원리는 다음과 같다. Xt가 시점 t에서의 입력 벡터일 때 ht와 ht-1은 t와 t의 한 시간단위 전인 t-1에서의 출력 벡터이다. ct는 장단기 기억 네트워크의 cell 내부의 상황을 의미하며 σ는 로지스틱 함수를 의미한다. 로지스틱 함수를 통과한 I, f, o의 결과는 각각 input, forget, output gate의 것이다. 학습되는 parameter는 weight W와 recurrent weight U 그리고 bias b가 있으며 cell activation a와 I, f, o 세 개의 게이트(gate)에 대해 각각 존재한다. 각 게이트에 대한 식은 다음과 같다. Referring to FIG. 5 , the operating principle of the remembering gate and the forget gate is as follows. When X t is the input vector at time t, h t and h t-1 are the output vectors at t-1 one time unit before t and t. c t denotes the situation inside the cell of the short-term memory network, and σ denotes the logistic function. The results of I, f, and o passed through the logistic function are those of the input, forget, and output gates, respectively. The parameters to be learned include weight W, recurrent weight U, and bias b, and exist for cell activation a and three gates I, f, and o, respectively. The expression for each gate is as follows.
forget gate는 과거 정보에 대한 중요도를 낮추기 위한 게이트로 순환된 출력값인 ht-1와 입력값인 xt를 시그모이드 활성화 함수를 통과시킨 값을 내보낸다. 이때, 활성화 함수를 통과한 값이 0이라면 중요도가 가장 낮다고 판단하여 이전 상태의 정보를 완전히 잊으며 1이라면 중요도가 가장 높다고 판단하여 온전히 기억한다. input gate는 현재 정보의 중요도를 기억하기 위한 게이트이다. forget gate와 같은 입력 파라미터(인수)를 취하며 이를 활성화 함수를 통과시킨다. The forget gate is a gate for reducing the importance of past information, and outputs h t-1 , which is a cycled output value, and x t , which is an input value, through which the sigmoid activation function passes. At this time, if the value passed through the activation function is 0, it is determined that the importance is the lowest, and information in the previous state is completely forgotten. The input gate is a gate for remembering the importance of current information. It takes an input parameter (argument) like a forget gate and passes it through the activation function.
이상상태 식별 시스템은 수집된 신호 정보를 이용하여 센서의 이상상태 유형을 학습하기 위한 식별 모델을 학습시킬 수 있다. 이상상태 식별 시스템은 구성된 식별 모델을 학습시킴에 따라 센서의 이상상태의 유형을 획득할 수 있다.The abnormal state identification system may train an identification model for learning the abnormal state type of the sensor by using the collected signal information. The abnormal state identification system may acquire the type of abnormal state of the sensor by learning the configured identification model.
도 6은 일 실시예에 따른 이상상태 식별 시스템에서 순환신경망 기반의 식별 모델을 이용하여 센서의 이상상태를 식별한 결과를 나타낸 그래프이다.6 is a graph showing a result of identifying an abnormal state of a sensor using a cyclic neural network-based identification model in an abnormal state identification system according to an embodiment.
도 6에서는 학습된 순환신경망 기반의 식별 모델의 정확도를 평가한 그래프이다. 일례로, 신호의 극대점을 찾는 알고리즘이 적용될 수 있으며, 실험을 통해 추출된 샘플(예를 들면, 210개의 샘플) 중 70%를 학습용 데이터로 지정하고, 나머지 30%를 검증용 데이터로 지정하여 학습된 순환신경망 기반의 식별 모델의 정확도를 평가할 수 있다. 이때, 학습은 총 복수 번(예를 들면, 7000)번 이루어질 수 있으며, 최적화 함수로는 적응적 모멘트 추정이 사용될 수 있다. 6 is a graph evaluating the accuracy of the learned cyclic neural network-based identification model. As an example, an algorithm for finding the maximum point of a signal may be applied, and 70% of the samples extracted through the experiment (for example, 210 samples) are designated as training data, and the remaining 30% is designated as validation data for learning. The accuracy of the recurrent neural network-based identification model can be evaluated. In this case, learning may be performed a total of multiple times (eg, 7000), and adaptive moment estimation may be used as an optimization function.
도 6은 이상상태 유형을 식별한 검증결과를 그래프로 나타낸 것이며, 복수 번의 학습 횟수(예를 들면, 7000번 학습횟수) 중 일부의 학습 횟수(예를 들면, 500번 횟수)까지의 결과만을 나타낸 것이다. 학습 결과가 반환된 식별 모델을 통해 도 6과 같이 검증용 데이터의 94%를 정확하게 분류하였음을 확인할 수 있다. 검증용 데이터를 순환신경망을 통해 이상상태를 분류한 결과를 표 2에 나타내었다.6 is a graph showing the verification results for identifying the abnormal state type, and shows only the results up to the number of learning (eg, number of 500 times) of a plurality of times of learning (eg, number of learning 7000 times) will be. It can be confirmed that 94% of the verification data is correctly classified as shown in FIG. 6 through the identification model in which the learning result is returned. Table 2 shows the results of classifying the abnormal state through the cyclic neural network for verification data.
표 2:Table 2:
일 실시예에 따른 이상상태 식별 시스템은 다양한 환경에서의 센서들로부터 출력되는 신호들을 기반으로 필름형 센서의 이상상태 유형을 효과적으로 식별할 수 있다. 뿐만 아니라, 신호 유형에 따라 정상, 수리 가능, 완전파손 여부를 확인할 수 있다. The abnormal state identification system according to an embodiment can effectively identify the abnormal state type of the film-type sensor based on signals output from the sensors in various environments. In addition, depending on the signal type, it is possible to check whether it is normal, repairable, or completely broken.
일 실시예에 따른 이상상태 식별 시스템은 웨어러블 디바이스 또는 장비에 적용시킬 수 있다. 또한, 이상상태 식별 시스템은 신호 정보에 대한 전처리 작업 및 이상상태 식별 알고리즘을 기반으로 필름형 센서가 적용된 장비의 신뢰도를 향상시킬 수 있고, 센서의 이상상태 유형에 따른 적합한 대응을 할 수 있다. 또한, 이상상태 식별 시스템은 필름형 센서가 적용된 웨어러블 디바이스의 결함 진단에 소비되는 경제적 비용을 절감시킬 수 있다. 또한, 이상상태 식별 시스템은 필름형 센서를 포함하는 센서 전반에 적용이 가능하며, 이를 기반으로 경찰공무원, 소방공무원, 군인 등 안전임무자의 장비에 적용시킬 수 있다. The abnormal state identification system according to an embodiment may be applied to a wearable device or equipment. In addition, the abnormal state identification system can improve the reliability of the equipment to which the film-type sensor is applied based on the pre-processing operation for signal information and the abnormal state identification algorithm, and can respond appropriately according to the abnormal state type of the sensor. In addition, the abnormal state identification system can reduce the economic cost of diagnosing a defect of a wearable device to which a film-type sensor is applied. In addition, the abnormal state identification system can be applied to all sensors including film-type sensors, and based on this, it can be applied to the equipment of safety officers such as police officers, firefighters, and soldiers.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The device described above may be implemented as a hardware component, a software component, and/or a combination of the hardware component and the software component. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or apparatus, to be interpreted by or to provide instructions or data to the processing device. may be embodied in The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited embodiments and drawings, various modifications and variations are possible from the above description by those skilled in the art. For example, the described techniques are performed in an order different from the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.
Claims (6)
필름형 센서에 의해 측정된 신호 정보를 수집하는 단계;
상기 수집된 신호 정보에 대한 전처리 작업을 통해 획득된 전처리 작업이 수행된 신호 정보를 이용하여 필름형 센서의 이상상태 유형을 학습하기 위한 식별 모델을 학습시키는 단계;
상기 학습된 식별 모델에 필름형 센서의 이상상태를 식별하기 위한 센서 신호를 입력하는 단계; 및
상기 학습된 식별 모델을 이용하여 상기 입력된 센서 신호로부터 필름형 센서의 이상상태 유형을 식별하는 단계
를 포함하고,
상기 식별하는 단계는,
상기 학습된 식별 모델을 이용하여 상기 입력된 센서 신호로부터 필름형 센서의 이상상태 유형을 식별하고, 상기 식별된 필름형 센서의 이상상태 유형에 기초하여 정상, 수리가능 및 완전파손 여부를 포함하는 필름형 센서의 교체 필요 여부를 결정하는 단계
를 포함하고,
상기 필름형 센서의 이상상태 유형은, 상기 입력된 센서 신호로부터 필름형 센서의 정상 상태, 필름형 센서의 찢어짐 상태, 필름형 센서의 폭방향 절단, 필름형 센서의 이물질 상태, 필름형 센서의 노치 상태, 필름형 센서의 완전파손 상태를 포함하는 필름형 센서의 이상상태 정보가 분류된 것
을 포함하는 센서의 이상상태 식별 방법.In the abnormal state identification method of the film-type sensor,
collecting signal information measured by the film-type sensor;
learning an identification model for learning an abnormal state type of a film-type sensor using signal information on which a pre-processing operation obtained through a pre-processing operation on the collected signal information has been performed;
inputting a sensor signal for identifying an abnormal state of the film-type sensor to the learned identification model; and
Identifying the abnormal state type of the film-type sensor from the input sensor signal using the learned identification model
including,
The identifying step is
Using the learned identification model to identify the abnormal state type of the film-type sensor from the input sensor signal, and based on the identified abnormal state type of the film-type sensor, a film including whether normal, repairable, and complete damage Determining whether the type sensor needs to be replaced
including,
The abnormal state type of the film-type sensor is, from the input sensor signal, the normal state of the film-type sensor, the tear state of the film-type sensor, the width direction cut of the film-type sensor, the foreign material state of the film-type sensor, and the notch of the film-type sensor Classification of abnormal state information of the film-type sensor, including the state and complete breakage of the film-type sensor
An abnormal state identification method of a sensor comprising a.
상기 수집하는 단계는,
필름형 센서에 발생시킨 일정한 충격을 통해 신호 정보를 수집하고, 상기 수집된 신호 정보에 대한 영점 조정, 추세 제거를 포함하는 전처리 작업을 수행하는 단계
를 포함하고,
상기 학습하는 단계는,
상기 전처리 작업이 수행된 신호 정보를 상기 식별 모델에 입력하는 단계
를 포함하는 센서의 이상상태 식별 방법.According to claim 1,
The collecting step is
Collecting signal information through a constant impact generated on the film-type sensor, and performing a pre-processing operation including zero adjustment and trend removal for the collected signal information
including,
The learning step is
Inputting the signal information on which the pre-processing operation has been performed into the identification model
An abnormal state identification method of a sensor comprising a.
상기 학습시키는 단계는,
필름형 센서의 이상상태 유형을 식별하기 위한 순환신경망(RNN) 기반의 식별 모델을 구성하고, 상기 수집된 신호 정보를 이용하여 상기 구성된 식별 모델을 학습시킴에 따라 필름형 센서의 이상상태의 유형을 획득하는 단계
를 포함하는 센서의 이상상태 식별 방법. According to claim 1,
The learning step is
By constructing a recurrent neural network (RNN)-based identification model to identify the abnormal state type of the film-type sensor, and learning the constructed identification model using the collected signal information, the type of the abnormal state of the film-type sensor is determined. steps to obtain
An abnormal state identification method of a sensor comprising a.
필름형 센서에 의해 측정된 신호 정보를 수집하는 신호 수집부;
상기 수집된 신호 정보에 대한 전처리 작업을 통해 획득된 전처리 작업이 수행된 신호 정보를 이용하여 필름형 센서의 이상상태 유형을 학습하기 위한 식별 모델을 학습시키는 모델 학습부;
상기 학습된 식별 모델에 필름형 센서의 이상상태를 식별하기 위한 센서 신호를 입력하는 신호 입력부; 및
상기 학습된 식별 모델을 이용하여 상기 입력된 센서 신호로부터 필름형 센서의 이상상태 유형을 식별하는 센서 유형 식별부
를 포함하고,
상기 센서 유형 식별부는,
상기 학습된 식별 모델을 이용하여 상기 입력된 센서 신호로부터 필름형 센서의 이상상태 유형을 식별하고, 상기 식별된 필름형 센서의 이상상태 유형에 기초하여 정상, 수리가능 및 완전파손 여부를 포함하는 필름형 센서의 교체 필요 여부를 결정하는 것을 포함하고,
상기 필름형 센서의 이상상태 유형은, 상기 입력된 센서 신호로부터 필름형 센서의 정상 상태, 필름형 센서의 찢어짐 상태, 필름형 센서의 폭방향 절단, 필름형 센서의 이물질 상태, 필름형 센서의 노치 상태, 필름형 센서의 완전파손 상태를 포함하는 필름형 센서의 이상상태 정보가 분류된 것
을 포함하는 이상상태 식별 시스템.
In the abnormal state identification system for identifying the abnormal state of the film-type sensor,
a signal collecting unit for collecting signal information measured by the film-type sensor;
a model learning unit for learning an identification model for learning an abnormal state type of a film-type sensor using signal information on which a pre-processing operation obtained through a pre-processing operation on the collected signal information has been performed;
a signal input unit for inputting a sensor signal for identifying an abnormal state of the film-type sensor to the learned identification model; and
A sensor type identification unit for identifying an abnormal state type of the film-type sensor from the input sensor signal using the learned identification model
including,
The sensor type identification unit,
Using the learned identification model to identify the abnormal state type of the film-type sensor from the input sensor signal, and based on the identified abnormal state type of the film-type sensor, a film including whether normal, repairable, and complete damage determining whether the type sensor needs to be replaced;
The abnormal state type of the film-type sensor is, from the input sensor signal, the normal state of the film-type sensor, the tear state of the film-type sensor, the width direction cut of the film-type sensor, the foreign material state of the film-type sensor, and the notch of the film-type sensor Classification of abnormal state information of the film-type sensor, including the state and complete breakage of the film-type sensor
An anomaly identification system comprising a.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200092998A KR102355816B1 (en) | 2020-07-27 | 2020-07-27 | A system and method for identifying abnormal conditions of a film sensor based on a artificial intelligence |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200092998A KR102355816B1 (en) | 2020-07-27 | 2020-07-27 | A system and method for identifying abnormal conditions of a film sensor based on a artificial intelligence |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102355816B1 true KR102355816B1 (en) | 2022-02-07 |
Family
ID=80253015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200092998A KR102355816B1 (en) | 2020-07-27 | 2020-07-27 | A system and method for identifying abnormal conditions of a film sensor based on a artificial intelligence |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102355816B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002304201A (en) * | 2001-04-05 | 2002-10-18 | Mitsubishi Electric Corp | Sensor processing unit, controller, sensor and sensor processing system |
| KR20180116794A (en) * | 2017-04-18 | 2018-10-26 | 영산대학교산학협력단 | Wearable device using sensors for detecting human motion intention |
| KR102017087B1 (en) * | 2018-04-27 | 2019-10-21 | 엘지전자 주식회사 | Device of detecting abnomal state using artificial intelligence and method of detecting thereof |
| KR20200085490A (en) * | 2019-01-07 | 2020-07-15 | 에스케이플래닛 주식회사 | Service providing system and method for detecting sensor abnormality using neural network model, and non-transitory computer readable medium having computer program recorded thereon |
-
2020
- 2020-07-27 KR KR1020200092998A patent/KR102355816B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002304201A (en) * | 2001-04-05 | 2002-10-18 | Mitsubishi Electric Corp | Sensor processing unit, controller, sensor and sensor processing system |
| KR20180116794A (en) * | 2017-04-18 | 2018-10-26 | 영산대학교산학협력단 | Wearable device using sensors for detecting human motion intention |
| KR102017087B1 (en) * | 2018-04-27 | 2019-10-21 | 엘지전자 주식회사 | Device of detecting abnomal state using artificial intelligence and method of detecting thereof |
| KR20200085490A (en) * | 2019-01-07 | 2020-07-15 | 에스케이플래닛 주식회사 | Service providing system and method for detecting sensor abnormality using neural network model, and non-transitory computer readable medium having computer program recorded thereon |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ren et al. | Tinyol: Tinyml with online-learning on microcontrollers | |
| Lim et al. | A time window neural network based framework for remaining useful life estimation | |
| US11328206B2 (en) | Systems and methods for optimizing operations of computing devices using deep neural networks | |
| EP1729243B1 (en) | Fault detection system and method using approximate null space based fault signature classification | |
| US10719774B2 (en) | Method and system for health monitoring and fault signature identification | |
| JP6902645B2 (en) | How to manage a system that contains multiple devices that provide sensor data | |
| Basak et al. | Mechanisms for integrated feature normalization and remaining useful life estimation using lstms applied to hard-disks | |
| Rengasamy et al. | Deep learning approaches to aircraft maintenance, repair and overhaul: A review | |
| Aggarwal et al. | Two birds with one network: Unifying failure event prediction and time-to-failure modeling | |
| Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
| Bisi et al. | Software reliability prediction using neural network with encoded input | |
| KR20200139346A (en) | Fault diagnosis management system and method using machine learning | |
| KR102416474B1 (en) | Fault diagnosis apparatus and method based on machine-learning | |
| Liu et al. | Reliable composite fault diagnosis of hydraulic systems based on linear discriminant analysis and multi-output hybrid kernel extreme learning machine | |
| CN114342003A (en) | Sensor-independent machine fault detection | |
| CN115769235A (en) | Method and system for providing an alert related to the accuracy of a training function | |
| KR20200080419A (en) | Hand gesture recognition method using artificial neural network and device thereof | |
| Hurtado et al. | Continual learning for predictive maintenance: Overview and challenges | |
| KR20200010671A (en) | System and method for fault diagnosis of equipment based on machine learning | |
| Omidshafiei et al. | Hierarchical bayesian noise inference for robust real-time probabilistic object classification | |
| KR102355816B1 (en) | A system and method for identifying abnormal conditions of a film sensor based on a artificial intelligence | |
| Qi et al. | Fault detection and localization in distributed systems using recurrent convolutional neural networks | |
| Vishnu et al. | Data-driven prognostics with predictive uncertainty estimation using ensemble of deep ordinal regression models | |
| Lee et al. | Remaining useful life estimation for ball bearings using feature engineering and extreme learning machine | |
| Pham et al. | Recurrent neural network for classifying of HPC applications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |